최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국수자원학회 2010년도 학술발표회, 2010 May 10, 2010년, pp.1385 - 1389
서영민 (영남대학교 대학원) , 지홍기 (영남대학교 건설시스템공학부) , 이순탁 (영남대학교)
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
MCMC 기법이란 무엇이며, 널리 사용되는 알고리즘으로는 어떤 것들이 있는가? | MCMC 기법은 정규화 상수의 계산없이 사후분포로부터 매개변수의 값을 샘플링하는 기법으로서 널리 사용되는 알고리즘으로는 Gibbs sampler(Geman, 1984; Casella and George, 1992)와 MetropolisHastings 알고리즘(Metropolis et al., 1953; Hastings, 1970)이 있다. Gibbs sampler는 MetropolisHastings 알고리즘 보다 실행하기 쉽고 빠르며 튜닝이 필요하지 않지만 각 변수에 대한 조건부 분포가 알려져 있어야 하며, 이것은 항상 가능한 경우가 아니기 때문에 그 대신에 Metropolis-Hastings 알고리즘이 종종 사용된다. | |
사전분포는 크게 무엇으로 구분할 수 있는가? | 적절한 사전분포의 구축은 베이지안 해석에서 가장 논쟁의 여지가 많은 부분이다. 사전분포는 크게 정보적 사전분포(informative prior)와 무정보적 사전분포(non-informative prior)로 구분할 수 있다. 본 연구에서는 앞서 선정된 GLO 분포의 매개변수들에 대한 사전분포를 구축하기 위하여 정보적 사전분포를 적용하였다. | |
베이지안 기법은 매개변수를 확률변수로 처리하며, 확률을 믿음의 정도로 정의하는데, 구체적으로 어떠한 점에서 빈도학파적 관점과는 다른 관점을 가지는가? | 베이지안 기법은 매개변수를 확률변수로 처리하며, 확률을 믿음의 정도로 정의한다. 즉, 어떤 사상에 대한 확률은 그 사상이 참이라고 믿는 정도를 나타내며, 이러한 점에서 빈도학파적 관점과는 다른 관점을 가진다. 베이지안 해석은 확률분포의 매개변수에 대한 사전지식(prior knowledge)과 우도함수(likelihood function)에 의해 표현되는 관측자료에서의 정보를 결합하여 사후분포(posterior distribution)를 생성하는 것으로서 매개변수에 대한 사전지식은 다른 자료집합, 모델러의 경험 및 물리적 직관으로부터 형성될 수 있으며, 매개변수 추정은 베이즈 정리(Bayes' Theorem)를 이용하여 계산되는 사후분포를 통하여 이루어진다. |
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.